Vidu Q4 实测：4 个参考主体同框、声音参考、对比 Q3，Vidu AI 新模型到底稳不稳

Vidu Q4 是 Vidu AI 在 2026 年 10 月放出的新模型，目前还是预览版。官方主打两件事：一个镜头里塞进很多个参考主体，还能用一段音频把角色的声音定下来。

宣传说得好听，实际能不能用？我们把 Vidu Q4 接进 ZOOOP 之后，准备了一组固定素材，按四个问题测了一遍。

先说结论

• 多主体参考是真的能用。 我们给了两个人、一辆摩托、一条街，四样东西最后都出现在同一个镜头里，人没认错，车没变色。
• 声音参考有效。 生成视频里的说话声和参考音频的音高几乎一样。
• 跟 Vidu Q3 Pro 比，简单的首帧镜头几乎看不出差别，但 Vidu Q4 便宜不少。
• 2K 比 540p 清楚得多，但高分辨率重出的是新的一条，不是放大。
• 不能纯文生，也没有尾帧。 至少要给一张图。

Vidu Q4 是什么

Vidu Q4 是 Vidu AI 目前最新的视频模型，有两种用法。一种是首帧模式：给一张图，让画面动起来，输出比例跟着图片走。另一种是参考模式：最多 12 张参考图，加最多 3 段 3 到 12 秒的 MP3 声音片段，模型把这些主体和声音放进同一个场景。

两种模式都是 3 到 16 秒，分辨率从 540p 到 4K 共五档，自带原生音频，也可以关掉声音只要画面。在 ZOOOP 上，首帧模式在 首尾帧生成视频 里，参考模式在 AI 视频生成 里，选 Vidu Q4 就行。

测试一：4 个参考主体放进同一个镜头

我们先用 AI 图像生成 做了四张参考图：穿红大衣的女生、戴眼镜的胡子男、一辆薄荷绿复古小摩托、一条欧洲老城的石板街。

提示词写的是：女生坐在后座，男生骑着这辆摩托，在黄昏的石板街上开过来，女生朝镜头挥手。720p，5 秒。

最后一秒停住看，四个参考全对上了：红大衣和红棕色头发是她，眼镜和胡子是他，车是那辆薄荷绿，街就是参考图里那条，连左边的咖啡座都在。

要说缺点，就是镜头前半段人物离得很远，细节看不清。想让脸一直清楚，提示词里可以明确写"中景""人物占画面一半"。

测试二：声音参考，让角色用指定的声音说话

这是 Vidu Q4 最独特的地方，也是 Vidu AI 这一代最主要的新能力。我们先用 AI 配音 生成了一段 5.7 秒的女声自我介绍，再把它和红大衣女生的照片一起交给 Vidu Q4，让她站在街上对着镜头把这句话说出来。540p，竖屏 9:16，6 秒。

口型和说话节奏是对得上的。声音像不像，我们没有只凭耳朵判断，而是粗测了一下音高：参考音频的中位音高约 219 Hz，生成视频里的说话声约 225 Hz，差不到 3%，分布区间也几乎重合。也就是说，Vidu Q4 确实在跟着参考声音走。

做系列内容的人会喜欢这一点：同一个角色在不同的片子里，声音可以保持一致。

测试三：同一张首帧，Vidu Q4 对比 Vidu Q3 Pro

很多人想知道 Vidu Q4 比 Vidu Q3 强在哪。我们用同一张窗边喝咖啡的照片、同一句提示词（她端起杯子喝一口，笑着转向镜头），720p，5 秒，各跑一条。

说实话，差别非常小。两条的动作几乎一模一样：喝一口，放下一点，转头微笑。光线、头发、杯子的细节也都在同一个水平。

所以如果你只是让一张图动起来，Vidu Q3 Pro 和 Vidu Q4 都能交差，而 Vidu Q4 在我们这里明显更便宜。Vidu Q4 真正拉开差距的地方，是测试一和测试二那种多主体、带声音的参考生视频，那是 Vidu Q3 系列给不了的。

测试四：540p 和 2K 差多少

同一张摩托图，同一句"慢慢推近，阳光在镜子上闪"，分别用 540p 和 2K 跑了 3 秒。截取同一位置放大：

540p 的镜面边缘和刹车把手都是糊的，2K 里镜框的高光、把手的金属质感都很清楚。另外，首帧模式输出的比例跟着图片走，这张 4:3 的产品图，出来的视频也是 4:3。

有一点要注意：右边那条的车灯是亮的，左边没有。换分辨率重出，得到的是另一条新的视频，不是把 540p 那条放大。所以 540p 适合拿来试提示词，不适合挑中一条再"升级"。

翻车和限制

• 不能纯文生。 首帧模式要一张图，参考模式至少要一张参考图。只想用文字生成，得换别的模型。
• 没有尾帧。 要做"从 A 变成 B"的过渡，Vidu Q4 做不了。
• 参考生视频比较慢。 我们这几单首帧模式一两分钟出片，参考模式等了好几分钟。
• 还是预览版。 表现可能随版本变化，重要项目建议先小批量试。
• 声音参考只收 MP3，每段 3 到 12 秒。

怎么用 Vidu Q4 最划算

用 Vidu AI 的新模型出片，我们实测下来的顺序是：

1. 先用 540p、3 到 5 秒试提示词和参考组合，看人物、物体有没有认对；
2. 确定方向后，用 1080p、2K 或 4K 正式出片；
3. 同一个角色要出多条，就固定用同一段声音参考，保持声音一致；
4. 最后把几段放到 生成式画布 里排成完整作品。

只是让一张照片动起来、又不需要多主体或声音，Vidu Q3 Pro 和 Vidu Q4 效果接近，用哪个都行。

总结

Vidu Q4 并非处处都比上一代强，简单的首帧镜头和 Vidu Q3 Pro 几乎打平。它的价值在于：一个镜头里放进多个固定的人和物，再用一段音频把声音定下来。这两件事以前要么做不到，要么要靠后期补。对做品牌角色、系列短片、多人同框广告的人来说，Vidu AI 这次的新模型值得一试。

参数和更多示例在 Vidu Q4 模型页。